← بازگشت به جدیدترین خبرها
اکتبر 24, 2026

فلینت؛ مدل کدنویسی رایگانی که عمدتاً توسط خودِ هوش مصنوعی ساخته شد

استارتاپ نوپای Recursive، اولین مدل خود به نام Flint را منتشر کرده است؛ مدلی رایگان برای کدنویسی که روی لپ‌تاپ اجرا می‌شود و به‌گفته‌ی این شرکت، بخش بزرگی از فرآیند توسعه‌ی آن توسط یک سیستم پژوهشی خودکار هوش مصنوعی به نام «ماشین یوریکا» (Eureka Machine) انجام شده است. این خبر یکی از نخستین نمونه‌های عملی و در دسترس عموم از مفهومی است که سال‌ها در حلقه‌های پژوهشی هوش مصنوعی مورد بحث بوده: «خودبهبودی بازگشتی» (recursive self-improvement)، یعنی هوش مصنوعی‌ای که به ساخت نسخه‌های بهتر از خودش کمک می‌کند.

زمینه و پس‌زمینه

شرکت Recursive در سال ۲۰۲۵ تأسیس شد و هدف اعلام‌شده‌ی آن، ساخت هوش مصنوعی‌ای است که بتواند خودش را بهبود دهد. این شرکت در ماه می ۲۰۲۶ از حالت استیلث خارج شد، با ۶۵۰ میلیون دلار سرمایه و ارزش‌گذاری ۴.۶۵ میلیارد دلار؛ سرمایه‌گذارانی مانند GV، انویدیا و AMD Ventures از حامیان آن هستند. مدیرعامل این شرکت، ریچارد سوچر، پیش‌تر دانشمند ارشد سیلزفورس بوده است. در ژوئن ۲۰۲۶، Recursive یک قرارداد محاسباتی ۴۱۰ میلیون دلاری با آمازون وب سرویسز امضا کرد که خودِ شرکت آن را این‌طور توصیف کرده: «کمتر درباره‌ی تعداد نیروی انسانی، بیشتر درباره‌ی تعداد ایجنت‌ها».

Flint، که در ۲۱ اکتبر ۲۰۲۶ منتشر شد، یک مدل ترکیبی از نوع mixture-of-experts با ۴۰ میلیارد پارامتر کل است که در هر وظیفه فقط حدود ۲.۵ میلیارد پارامتر را فعال می‌کند. این مدل به‌صورت رایگان و تحت مجوز متن‌باز Apache ۲.۰ در Hugging Face قابل دانلود است و به‌صورت محلی (بدون نیاز به اینترنت) اجرا می‌شود—یعنی کد کاربر خصوصی باقی می‌ماند و هزینه‌ی استفاده از سرویس‌های ابری حذف می‌شود. روی مک‌بوک پرو با تراشه‌ی M4 Pro، سرعت اجرای این مدل حدود ۱۳۱ توکن در ثانیه است—تقریباً دو برابر مدل‌های مشابهی که روی همان دستگاه آزمایش شده‌اند—و روی کارت RTX Spark انویدیا، از ۱۵۰ توکن در ثانیه نیز عبور کرده است.

طبق ادعای Recursive، «ماشین یوریکا» تقریباً در تمام مراحل توسعه‌ی Flint—از پیش‌آموزش تا پس‌آموزش و استنتاج—نقش داشته است. یک تیم کوچک، این مدل را در کمتر از چهار ماه از صفر ساخته است. ادعا شده که مشارکت این سیستم هوش مصنوعی شامل طراحی یک معماری رقیق‌تر برای مدل، آموزش کم‌بیت (low-bit) که حجم مدل را ۷۱ درصد کاهش داد با افت کیفیت تقریباً ناچیز، و کرنل‌های سفارشی برای سریع‌تر کردن محاسبات بوده است. این شرکت اعلام نکرده دقیقاً چه میزان زمان پژوهشی انسانی صرفه‌جویی شده است.

تحلیل

مهم‌ترین نکته‌ی این خبر، نه خودِ عملکرد فنی Flint، بلکه روایت پشت ساخت آن است. اگر ادعای Recursive درست باشد—که یک سیستم پژوهشی خودکار، نقش محوری در طراحی معماری، فشرده‌سازی و بهینه‌سازی سرعت این مدل داشته—این یکی از نخستین نمونه‌های علنی است که در آن یک آزمایشگاه هوش مصنوعی، مستقیماً اعلام می‌کند محصولش «عمدتاً توسط هوش مصنوعی ساخته شده»، نه صرفاً «با کمک ابزارهای هوش مصنوعی». این تفاوت زبانی ظریف اما مهم است: بسیاری از شرکت‌ها می‌گویند از هوش مصنوعی برای کدنویسی استفاده می‌کنند، اما کمتر شرکتی تا این حد صریح، سیستم خودکار را به‌عنوان طراح اصلی معرفی می‌کند.

با این حال، خودِ مقاله هم به یک نگرانی واقعی اشاره می‌کند: برخی پژوهشگران نسبت به امکان فرارکردن چنین سیستم‌ها از کنترل انسانی هشدار داده‌اند. سوچر تأکید کرده که انسان‌ها همچنان ناظر این فرآیند هستند و در صورت بروز مشکل می‌توانند آن را متوقف کنند، اما همین نیاز به تأکید صریح بر «نظارت انسانی» نشان می‌دهد که این موضوع، حتی از نگاه خودِ شرکت، یک ریسک شناخته‌شده و نه صرفاً یک شایعه‌ی بیرونی است.

از نظر فنی، نکته‌ی جالب توجه این است که Flint با وجود اندازه‌ی نسبتاً کوچک (۴۰ میلیارد پارامتر در برابر مدل‌هایی مثل Muse Spark Open متا با ۸۱۶ میلیارد پارامتر که به حداقل یک ترابایت حافظه نیاز دارد) توانسته در آزمون SWE-Bench Verified از مدل‌های دیگر زیر ۵۰ میلیارد پارامتر بهتر عمل کند. تنها Qwen۳.۸ مدل ۲۷ میلیاردی علی‌بابا، در میانگین شش آزمون داخلی Recursive از آن بهتر بود. این نشان می‌دهد در دوره‌ای که اندازه‌ی مدل‌ها به‌طور سرسام‌آوری رشد می‌کند، هنوز جا برای مدل‌های کوچک‌تر و کارآمدتر—به‌خصوص برای اجرای محلی روی سخت‌افزار مصرفی—وجود دارد.

البته باید به محدودیت‌های واقعی این مدل هم توجه کرد: خودِ Recursive تأیید کرده که Flint نسبت به دستیارهای کدنویسی بزرگ و پولی، به راهنمایی بیشتری نیاز دارد و توصیه می‌کند کارهای بزرگ به مراحل کوچک‌تر تقسیم شوند. ویل نایت، خبرنگار Wired، در آزمایش شخصی خود گفته که Flint برای ساخت برنامه‌های کوچک به‌خوبی کار کرده، در حالی که برخی مدل‌های کوچک‌تر دیگر که امتحان کرده، در مقایسه با Claude یا Codex، خطادار یا کند بوده‌اند—یعنی Flint در دسته‌ی خودش، گزینه‌ی قابل‌قبولی است، اما هنوز با ابزارهای پیشرو و پولی فاصله دارد.

در نهایت، این خبر برای توسعه‌دهندگان و کسب‌وکارهای کوچکی که به دنبال ابزار کدنویسی رایگان و قابل‌اجرا به‌صورت محلی هستند، گزینه‌ی تازه‌ای معرفی می‌کند که هزینه‌ی سرویس ابری ندارد و حریم خصوصی کد را حفظ می‌کند. اما برای کسانی که دنباله‌رو بحث بزرگ‌تر «خودبهبودی هوش مصنوعی» هستند، Flint یک نمونه‌ی واقعی—و نه صرفاً یک فرضیه‌ی نظری—از این مسیر است که باید با دقت رصد شود.

معنای این خبر برای آینده‌ی توسعه‌ی نرم‌افزار

ورای مشخصات فنی، داستان Flint یک روایت بزرگ‌تر را نیز روایت می‌کند: تغییر تدریجی نقش انسان در فرآیند پژوهش و توسعه‌ی هوش مصنوعی، از «طراح مستقیم» به «ناظر و تصمیم‌گیر نهایی». اگر ادعای Recursive درباره‌ی نقش «ماشین یوریکا» درست باشد، این یعنی تیم‌های کوچک، با کمک چنین سیستم‌هایی، می‌توانند کاری را در چند ماه انجام دهند که پیش‌تر به تیم‌های بزرگ و بودجه‌های میلیونی نیاز داشت. این موضوع می‌تواند مرزهای ورود به صنعت ساخت مدل‌های زبانی بزرگ را تا حدی پایین بیاورد، به‌ویژه برای شرکت‌هایی که تخصص عمیق مهندسی یادگیری ماشین ندارند اما ایده‌های محصولی خوبی دارند.

با این حال، این روند یک ریسک متقابل هم دارد: اگر ابزارهای خودکار پژوهشی به‌طور گسترده در دسترس قرار گیرند، رقابت در ساخت مدل‌های تخصصی و کوچک (مثل Flint) می‌تواند به‌شدت افزایش یابد و بازار را از مدل‌های باکیفیت اما غیرمتمایز اشباع کند. برای توسعه‌دهندگانی که قصد استفاده از چنین مدل‌هایی در محصولات خود دارند، توصیه می‌شود پیش از انتخاب نهایی، عملکرد مدل را روی داده‌ها و وظایف واقعی خودشان—نه صرفاً بنچمارک‌های عمومی منتشرشده توسط سازنده—بسنجند، چون همان‌طور که در این گزارش هم اشاره شد، نتایج بنچمارک همیشه بازتاب دقیقی از عملکرد در کاربرد واقعی نیست.

منبع: TechCrunch

SOS سایتت خوابیده؟